本研究提出了一种基于学习的点云上采样管道，其中使用 NodeShuffle 作为点上采样模型，并提出了一个新的多尺度点特征提取器，称为 Inception DenseGCN，将其与 NodeShuffle 结合成一种新的点上采样管道 PU-GCN，这种方法能够显著地提高上采样点云处理的效果。

Nov, 2019

本文介绍了使用 Graph-CNNs 和 PointGCN 对 3D 点云数据进行分类的方法，通过局部图卷积和两种图降采样操作实现了对点云局部结构的有效探索，与竞争方案相比，该架构具有更稳定的性能。

Nov, 2018

本文提出了一种名为 tree-GAN 的新型生成对抗网络用于 3D 点云生成，并引入树形图卷积网络 (TreeGCN) 作为 tree-GAN 的生成器以提高特征的表示能力，通过引入评估指标 FPD 来准确评估 3D 点云 GAN，实验结果表明了 tree-GAN 在传统度量和 FPD 方面都优于现有的 GAN，并且可以生成不同语义部分的点云。

May, 2019

本文提出了一种基于图卷积神经网络的 LDGCNN 模型，用于直接分类和分割点云。通过理论分析、可视化和实验验证，证明了 LDGCNN 在 ModelNet40 和 ShapeNet 数据集上的优异性能。

Apr, 2019

本文提出了一种正则化图卷积神经网络 (RGCNN)，通过谱图理论，将点云中的特征视为图上的信号进行卷积，可以直接处理点云数据，提高了点云分割效能，并在 ShapeNet 部件数据集上进行了实验验证。

Jun, 2018

该论文提出了一种新的神经网络模块 EdgeConv，用于处理点云数据的图形分类和分割任务，它在每个层动态计算出图形，具有可堆叠和可微性等优点，并通过一些标准基准测试展示了优异性能。

Jan, 2018

3D 传感器获取的点云通常稀疏且嘈杂，点云上采样是一种提高点云密度以恢复详细几何信息的方法。本文提出了一种用于点云上采样的双重背投影网络（DBPnet）。通过采用上下上的方式进行双重背投影，网络不仅对特征残差进行反投影，还对坐标残差进行反投影，从而更好地捕捉特征和空间域中的点关联性，并在均匀和非均匀稀疏点云上实现较低的重构误差。我们的方法也适用于任意上采样任务（例如 4 倍，5.5 倍）。实验结果表明，该方法在与基准点集匹配损失方面实现了最低值。此外，我们方法的成功也证明了非均匀点云不一定需要生成网络。

Jul, 2023

提出了名为 AGCN 的新型网络结构，结合了图卷积网络和注意力机制，可以有效地从无序和非结构化的点云数据中提取特征，经实验证明在分类和分割任务中均达到了当前最先进的性能。

May, 2019

提出了一种用于处理大规模 3D 数据的一般用途的全卷积网络，具有内部将无组织的点云转换为有序结构以通过 3D 卷积处理的能力，可用于许多 3D 任务的通用点云描述符。在语义体素分割，语义部分分割和 3D 场景字幕数据集上进行了评估。

Aug, 2018

本文提出了一种新颖的深度学习方法，通过两个步骤（特征融合和形变）将随机点云变形成对象形状，从而重建单张图像的点云。通过引入一个新层 GraphX，考虑点之间的相互关系，操作无序集合。这个模型还可以生成任意大小的点云，验证了在单图像 3D 重建上超越了现有模型并将其分数减半。

Nov, 2019